張軼暉，夏海燕

(1.國(guó)網(wǎng)重慶市電力公司市北供電分公司，重慶 400015；2.國(guó)網(wǎng)重慶營(yíng)銷服務(wù)中心，重慶 400015)

隨著電網(wǎng)企業(yè)數(shù)字化建設(shè)不斷深入，電網(wǎng)企業(yè)建成了用電信息采集、采集運(yùn)維閉環(huán)、一體化線損平臺(tái)等一系列信息系統(tǒng)，以支撐計(jì)量業(yè)務(wù)開展。在提升業(yè)務(wù)自動(dòng)化、數(shù)字化水平的同時(shí)，也對(duì)計(jì)量異常分析提出了新的挑戰(zhàn)。

如表1所示，在整個(gè)計(jì)量異常處置過(guò)程中，異常發(fā)現(xiàn)環(huán)節(jié)耗時(shí)較長(zhǎng)，甚是接近異常處理時(shí)長(zhǎng)，分析發(fā)現(xiàn)，導(dǎo)致此現(xiàn)象的原因如下。

表1 計(jì)量裝置異常恢復(fù)過(guò)程各環(huán)節(jié)用時(shí)統(tǒng)計(jì)表 d

電能計(jì)量技術(shù)鏈條長(zhǎng)，故障種類復(fù)雜，分析定位難。隨著智能電能表的全面推廣應(yīng)用，電能計(jì)量業(yè)務(wù)已經(jīng)由傳統(tǒng)的計(jì)量單一專業(yè)向計(jì)量技術(shù)、通信采集、數(shù)據(jù)分析等多專業(yè)融合方向轉(zhuǎn)變。完整的電能計(jì)量業(yè)務(wù)包含了本地計(jì)量設(shè)備計(jì)量，從表計(jì)到集中器的本地?cái)?shù)據(jù)通信，從集中器到采集主站遠(yuǎn)程數(shù)據(jù)回傳，主站前置的數(shù)據(jù)解碼，主站側(cè)數(shù)據(jù)校驗(yàn)和存儲(chǔ)等多個(gè)技術(shù)環(huán)節(jié)。由于各技術(shù)環(huán)節(jié)涉及不同專業(yè)，需要綜合多專業(yè)數(shù)據(jù)進(jìn)行分析，所以快速準(zhǔn)確定位異常環(huán)節(jié)有難度。

計(jì)量數(shù)字化水平提升，數(shù)據(jù)維度增多，人工分析難。在電能計(jì)量已經(jīng)實(shí)現(xiàn)全數(shù)字化、遠(yuǎn)程化的今天，用電信息采集系統(tǒng)、統(tǒng)一線損管理平臺(tái)等相關(guān)信息系統(tǒng)已經(jīng)全面投入應(yīng)用，電能計(jì)量已經(jīng)不限于每月的電量數(shù)據(jù)，而是覆蓋了電壓、電量、功率、需量、功率因數(shù)、電表事件等多種數(shù)據(jù)維度。且隨著高速載波(HPLC)技術(shù)的應(yīng)用，數(shù)據(jù)采集頻率由原來(lái)的每月向分鐘級(jí)提高。以重慶電力為例，每天會(huì)產(chǎn)生30 GB以上的計(jì)量數(shù)據(jù)，要從中分析定位出計(jì)量異常問(wèn)題，僅靠人工是不可行的，需要采用信息化、智能化手段對(duì)計(jì)量異常進(jìn)行監(jiān)測(cè)。

1 算法選擇

1.1 傳統(tǒng)計(jì)量異常算法

傳統(tǒng)的計(jì)量異常篩查采用的是對(duì)各類計(jì)量異常進(jìn)行分類、并針對(duì)每種異常分別設(shè)置指標(biāo)的方式，其中各項(xiàng)指標(biāo)閾值主要靠人工經(jīng)驗(yàn)設(shè)置，各項(xiàng)異常篩查邏輯相互獨(dú)立。表2展示了集中典型的計(jì)量異常及其篩查算法。

1.2 多維向量相似度計(jì)算算法

幾何中夾角余弦可用來(lái)衡量?jī)蓚€(gè)向量方向的差異，機(jī)器學(xué)習(xí)中可借用這一概念來(lái)衡量樣本向量之間的差異。

1)在二維空間中向量A(x1y1)和向量B(x2y2)的夾角余弦公式：

2)對(duì)于兩個(gè)n維樣本點(diǎn)a(x11，x12，…，x1n)和b(x21，x22，…，x2n)的夾角余弦類似的，可以使用類似于夾角余弦的概念來(lái)衡量它們間的相似程度

表2 典型計(jì)量異常判斷邏輯

即：

夾角余弦取值范圍為[-1，1]。夾角余弦越大，表示兩個(gè)向量的夾角越??；夾角余弦越小，表示兩向量的夾角越大。當(dāng)兩個(gè)向量的方向重合時(shí)，夾角余弦取最大值1；當(dāng)兩個(gè)向量的方向完全相反時(shí)，夾角余弦取最小值-1[1]。

此種算法適用于多特征因子的綜合比較，具體到電量異常篩查的應(yīng)用場(chǎng)景。將各種異常因子作為樣本點(diǎn)，在此基礎(chǔ)上構(gòu)建衡量異常特征的樣本向量，能夠綜合平衡各種異常因子產(chǎn)生的影響。

1.3 兩種算法比較

傳統(tǒng)算法簡(jiǎn)單易搭建，但是存在以下不足：閾值設(shè)置靠經(jīng)驗(yàn)，各類型異常判斷邏輯高度獨(dú)立，綜合平衡各種影響因子的能力弱，在處理多維度海量計(jì)量數(shù)據(jù)時(shí)存在局限，在實(shí)際應(yīng)用中容易出現(xiàn)海量異常錯(cuò)報(bào)問(wèn)題。與傳統(tǒng)方法相比，基于多維度向量相似度計(jì)算的算法能更適應(yīng)海量計(jì)量數(shù)據(jù)處理分析，雖然算法建模難度明顯增大，實(shí)際分析計(jì)算過(guò)程需要計(jì)算機(jī)介入。

綜上，在電能計(jì)量已經(jīng)實(shí)現(xiàn)數(shù)據(jù)化、智能化的背景下，選擇多維向量相似度計(jì)算算法更具可行性。

2 算法模型搭建

2.1 總體情況

建立多維向量相似度計(jì)算模型，按照設(shè)計(jì)特征分量、計(jì)算計(jì)量異常特征、分類判定3個(gè)步驟計(jì)算分析結(jié)果，利用特征向量相似度比較公式，當(dāng)相似度大于80%時(shí)自動(dòng)生成計(jì)量裝置異常工單[2]。其流程如圖1所示。

圖1 特征向量相似度比較模型計(jì)算分析流程圖

2.2 原始數(shù)據(jù)處理

從多個(gè)系統(tǒng)選取計(jì)量相關(guān)的原始數(shù)據(jù)，數(shù)據(jù)來(lái)源主要有營(yíng)銷業(yè)務(wù)應(yīng)用系統(tǒng)、用電信息系統(tǒng)和一體化線損平臺(tái)。根據(jù)數(shù)據(jù)類型，可將原始數(shù)據(jù)按計(jì)量檔案、量測(cè)數(shù)據(jù)、運(yùn)行評(píng)價(jià)數(shù)據(jù)3類進(jìn)行整理，具體如圖2所示。

圖2 原始數(shù)據(jù)分類圖

2.3 特征分量選定

在以上數(shù)據(jù)處理基礎(chǔ)上設(shè)置了若干特征分量，即向量樣本的各維度，這些維度共同組合成一組向量，完成了計(jì)量現(xiàn)象的特征提取和數(shù)據(jù)化，實(shí)現(xiàn)了由一組多位向量承載計(jì)量特征信息的過(guò)程，為了快速篩查做了數(shù)據(jù)準(zhǔn)備。表3展示了部分特征分量的構(gòu)建過(guò)程。

表3 特征分量計(jì)量表

該步驟借鑒了傳統(tǒng)的計(jì)量異常分析算法[3]的特征提取及閾值設(shè)定。同時(shí)新增了一些全局性的特征分量，如“故障同時(shí)率”，該特征分量衡量了同臺(tái)區(qū)/同線路其他用戶的故障情況，有利于發(fā)揮多維向量相似度識(shí)別的優(yōu)勢(shì)，識(shí)別故障是供電側(cè)故障引發(fā)還是計(jì)量側(cè)故障引發(fā)[4]。

2.4 計(jì)量異常分類

為實(shí)現(xiàn)異常精準(zhǔn)識(shí)別，將常見電能計(jì)量異常分為5大類16個(gè)小類，具體分類結(jié)果如表4所示。

表4 計(jì)量異常分類表

針對(duì)表4展示的每種異常，逐個(gè)設(shè)置了“篩查目標(biāo)向量樣本”，即出現(xiàn)此類異常的標(biāo)準(zhǔn)特征向量，這里以“電壓斷相”類計(jì)量異常為例[5]，表5是此類異常的一個(gè)“篩查目標(biāo)向量樣本”。

表5中的電壓斷相的特征可通過(guò)以下3類體現(xiàn)：一是“影響類”的特征，表現(xiàn)為線路線損突降、該用戶用電量突降；二是“客觀表象”類特征，即B相欠壓；三是“環(huán)境類”特征，即同臺(tái)區(qū)(線路)無(wú)相同故障用戶。根據(jù)3類特征同時(shí)判斷，可有效避免誤判，提升精準(zhǔn)度。

表5 “電壓斷相”的篩查目標(biāo)向量樣本節(jié)選

3 應(yīng)用效果

3.1 提升效率，減少計(jì)量損失

國(guó)網(wǎng)重慶市北電力公司在應(yīng)用多維特征向量相似度比較算法的過(guò)程中，能有效及時(shí)地發(fā)現(xiàn)計(jì)量異常故障，使得計(jì)量裝置異常處理時(shí)間由原來(lái)的22.5 d縮短至8.8 d，大幅提升了工作效率。另一方面，該算法引入的線損分析維度對(duì)導(dǎo)致電量漏計(jì)的計(jì)量異常敏感度高，通過(guò)對(duì)此類計(jì)量異常及時(shí)處理，能有效挽回因計(jì)量差錯(cuò)導(dǎo)致的經(jīng)濟(jì)損失。

3.2 提高精度，減少資源消耗

多維特征向量相似度比較算法通過(guò)綜合考慮計(jì)量異常表象特征、對(duì)外影響特征和環(huán)境特征等多維度信息，可以有效過(guò)濾非故障類的供電側(cè)故障，即無(wú)須處置的計(jì)量異常數(shù)據(jù)，使綜合判斷準(zhǔn)確率超過(guò)75%，較傳統(tǒng)算法有大幅提升，能有效減少無(wú)效計(jì)量異常工單任務(wù)。國(guó)網(wǎng)重慶市北電力公司在應(yīng)用該算法的過(guò)程中，平均每月減少無(wú)效計(jì)量異常排查現(xiàn)場(chǎng)派工1 600余次，按現(xiàn)場(chǎng)派工成本80元/次估算，每年可節(jié)約成本153.6萬(wàn)元。

4 結(jié)論

在國(guó)網(wǎng)重慶市北電力公司的計(jì)量異常篩查實(shí)踐中，檢驗(yàn)了多維特征向量相似度比較算法的有效性，與傳統(tǒng)的異常篩查方式相比，該方法在提升篩查效率、減少無(wú)效工作量、降低系統(tǒng)資源投入等方面成效顯著。2020年1～6月累計(jì)追補(bǔ)電量91.28萬(wàn)kW·h；同時(shí)計(jì)量裝置異?；謴?fù)時(shí)間的縮短，對(duì)降低企業(yè)線損、提高采集成功率及電費(fèi)回收率等工作提供了有力支撐。